如何在Python中實現持久化物件?
要在Python中實作持久化對象,請使用下列函式庫。
- 上架
- 泡菜
擱置模組
「架子」是一個持久的、類似字典的物件。與「dbm」資料庫的區別在於,架子中的值(不是鍵!)本質上可以是任意 Python 物件 - pickle 模組可以處理的任何物件。這包括大多數類別實例、遞歸資料類型以及包含大量共享子物件的物件。
它有一些關鍵方法 -
shelve.open() - 開啟持久字典。指定的檔案名稱是基礎資料庫的基本檔案名稱。副作用是,檔案名稱中可能會新增副檔名,並且可能會建立多個檔案。預設情況下,底層資料庫檔案以讀寫方式開啟。
shelve.sync() − 如果使用writeback設定為True開啟了shelf,則將快取中的所有條目寫回。如果可行,也會清空快取並將持久性字典與磁碟上的資料同步。當使用close()關閉shelf時,會自動呼叫此方法。
shelve.close() − 同步並關閉持久化字典物件。
pickle 模組
pickle 模組實作了用於序列化和反序列化 Python 物件的二進位協議 結構。
Pickling 是將Python物件層次結構轉換為位元組的過程 流。要序列化一個物件層次結構,只需呼叫dumps()函數。
Unpickling是反向操作。從二進位檔案或類似位元組物件的位元組流中解析出來的 將其轉換回物件層次結構。若要反序列化資料流,您呼叫loads()函數 功能。
Pickle 模組功能
以下是pickle模組提供的函數。
pickle.dump() - 將物件的pickle表示寫入開啟的檔案物件檔案中。
pickle.dumps() − 傳回物件的pickle表示作為一個位元組對象,而不是 將其寫入文件中。
pickle.load() - 從開啟的檔案物件檔案中讀取物件的pickled表示。
pickle.loads() - 傳回 pickled 表示資料的重構物件層次結構 物件的
範例
首先,匯入pickle模組 -
import pickle
我們已經建立了以下輸入以進行pickle。
my_data = { 'BMW', 'Audi', 'Toyota', 'Benz'}
demo.pickle 檔案已建立。這個相同的 .pickle 檔案是用上面的清單進行醃製的。
with open("demo.pickle","wb") as file_handle: pickle.dump(my_data, file_handle, pickle.HIGHEST_PROTOCOL)
現在,取消上面的 pickled 檔案並取得輸入值。
with open("demo.pickle","rb") as file_handle: res = pickle.load(file_handle) print(res_data)
現在讓我們看看完整的範例。
import pickle # Input Data my_data = { 'BMW', 'Audi', 'Toyota', 'Benz'} # Pickle the input with open("demo.pickle","wb") as file_handle: pickle.dump(my_data, file_handle, pickle.HIGHEST_PROTOCOL) # Unpickle the above pickled file with open("demo.pickle","rb") as file_handle: res = pickle.load(file_handle) print(my_data) # display the output
輸出
set(['Benz', 'Toyota', 'BMW', 'Audi'])
以上是如何在Python中實現持久化物件?的詳細內容。更多資訊請關注PHP中文網其他相關文章!

熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

AI Hentai Generator
免費產生 AI 無盡。

熱門文章

熱工具

記事本++7.3.1
好用且免費的程式碼編輯器

SublimeText3漢化版
中文版,非常好用

禪工作室 13.0.1
強大的PHP整合開發環境

Dreamweaver CS6
視覺化網頁開發工具

SublimeText3 Mac版
神級程式碼編輯軟體(SublimeText3)

熱門話題

PHP和Python各有優劣,選擇取決於項目需求和個人偏好。 1.PHP適合快速開發和維護大型Web應用。 2.Python在數據科學和機器學習領域佔據主導地位。

在CentOS系統上高效訓練PyTorch模型,需要分步驟進行,本文將提供詳細指南。一、環境準備:Python及依賴項安裝:CentOS系統通常預裝Python,但版本可能較舊。建議使用yum或dnf安裝Python3併升級pip:sudoyumupdatepython3(或sudodnfupdatepython3),pip3install--upgradepip。 CUDA與cuDNN(GPU加速):如果使用NVIDIAGPU,需安裝CUDATool

在CentOS系統上啟用PyTorchGPU加速,需要安裝CUDA、cuDNN以及PyTorch的GPU版本。以下步驟將引導您完成這一過程:CUDA和cuDNN安裝確定CUDA版本兼容性:使用nvidia-smi命令查看您的NVIDIA顯卡支持的CUDA版本。例如,您的MX450顯卡可能支持CUDA11.1或更高版本。下載並安裝CUDAToolkit:訪問NVIDIACUDAToolkit官網,根據您顯卡支持的最高CUDA版本下載並安裝相應的版本。安裝cuDNN庫:前

Docker利用Linux內核特性,提供高效、隔離的應用運行環境。其工作原理如下:1. 鏡像作為只讀模板,包含運行應用所需的一切;2. 聯合文件系統(UnionFS)層疊多個文件系統,只存儲差異部分,節省空間並加快速度;3. 守護進程管理鏡像和容器,客戶端用於交互;4. Namespaces和cgroups實現容器隔離和資源限制;5. 多種網絡模式支持容器互聯。理解這些核心概念,才能更好地利用Docker。

Python和JavaScript在社區、庫和資源方面的對比各有優劣。 1)Python社區友好,適合初學者,但前端開發資源不如JavaScript豐富。 2)Python在數據科學和機器學習庫方面強大,JavaScript則在前端開發庫和框架上更勝一籌。 3)兩者的學習資源都豐富,但Python適合從官方文檔開始,JavaScript則以MDNWebDocs為佳。選擇應基於項目需求和個人興趣。

在CentOS下選擇PyTorch版本時,需要考慮以下幾個關鍵因素:1.CUDA版本兼容性GPU支持:如果你有NVIDIAGPU並且希望利用GPU加速,需要選擇支持相應CUDA版本的PyTorch。可以通過運行nvidia-smi命令查看你的顯卡支持的CUDA版本。 CPU版本:如果沒有GPU或不想使用GPU,可以選擇CPU版本的PyTorch。 2.Python版本PyTorch

MinIO對象存儲:CentOS系統下的高性能部署MinIO是一款基於Go語言開發的高性能、分佈式對象存儲系統,與AmazonS3兼容。它支持多種客戶端語言,包括Java、Python、JavaScript和Go。本文將簡要介紹MinIO在CentOS系統上的安裝和兼容性。 CentOS版本兼容性MinIO已在多個CentOS版本上得到驗證,包括但不限於:CentOS7.9:提供完整的安裝指南,涵蓋集群配置、環境準備、配置文件設置、磁盤分區以及MinI

在CentOS系統上進行PyTorch分佈式訓練,需要按照以下步驟操作:PyTorch安裝:前提是CentOS系統已安裝Python和pip。根據您的CUDA版本,從PyTorch官網獲取合適的安裝命令。對於僅需CPU的訓練,可以使用以下命令:pipinstalltorchtorchvisiontorchaudio如需GPU支持,請確保已安裝對應版本的CUDA和cuDNN,並使用相應的PyTorch版本進行安裝。分佈式環境配置:分佈式訓練通常需要多台機器或單機多GPU。所
